CN114998695A - 一种提高图像识别速度的方法及系统 - Google Patents
一种提高图像识别速度的方法及系统 Download PDFInfo
- Publication number
- CN114998695A CN114998695A CN202210838939.XA CN202210838939A CN114998695A CN 114998695 A CN114998695 A CN 114998695A CN 202210838939 A CN202210838939 A CN 202210838939A CN 114998695 A CN114998695 A CN 114998695A
- Authority
- CN
- China
- Prior art keywords
- product production
- target product
- image set
- image
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004519 manufacturing process Methods 0.000 claims abstract description 357
- 238000012545 processing Methods 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000007621 cluster analysis Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 19
- 230000001965 increasing effect Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 238000004062 sedimentation Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 abstract description 17
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种提高图像识别速度的方法及系统,涉及数据处理技术领域,所述方法包括:构建目标产品生产图像集合;对目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合;按照预定卷积特征集合对标准产品生产图像集合进行特征提取,获得目标产品生产特征集合,然后对其进行加权特征融合,获得目标产品特征融合信息;对目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果;基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;向该模型中输入待检测产品生产图像集合,获得待检测产品质量识别结果。达到提高图像识别速度,及时有效智能化的实现对各生产环节质量控制信息掌握的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种提高图像识别速度的方法及系统。
背景技术
产品品质是指产品在功能、外观、规格、安全性和耐用性等方面的具体标准,一件合格的产品,首先符合客户的品质要求、产品品质标准的要求,为了防止大量不良品出现对公司造成的经济损失,需要对产品的整个生产过程进行控制。
随着信息时代的到来,制造业也正在发生翻天覆地的变化,信息系统的应用,在产品生产过程中将产生大量的数据,这些大数据能够被搜集和分析用于指导高效高品质生产。
目前,为了实现对生产过程的控制,利用生产质量识别系统对生产过程的各环节进行信息采集,目前现有技术中,常见的生产质量识别系统采集的生产各节点的图像数据量非常庞大与繁杂,在对图像数据进行处理过程中需要浪费大量的时间,有时还需要工程师对图像信息进行分析以实现对各环节生产质量进行确定,无法及时有效智能的实现对各生产环节质量控制信息的掌握,造成信息延迟,在出现质量问题时无法及时作出响应。
发明内容
本申请的目的是提供一种提高图像识别速度的方法及系统,用于解决现有技术中生产各节点的图像数据量大且繁杂,造成图像识别速度较低,无法及时有效智能化的实现对各生产环节质量控制信息的掌握技术问题,达到提高图像识别速度,及时有效智能化的实现对各生产环节质量控制信息的掌握,在出现质量问题时及时作出响应,保证生产过程质量控制的技术效果。
鉴于上述问题,本申请提供了一种提高图像识别速度的方法及系统。
本申请的第一个方面,提供了一种提高图像识别速度的方法,所述方法应用于一工厂生产质量识别系统,所述系统包括一图像采集装置,所述方法包括:构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合;按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息;对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果;基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;通过所述图像采集装置获得待检测产品生产图像集合;将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果。
本申请的第二个方面,提供了一种提高图像识别速度的系统,所述系统包括:第一构建单元,用于构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;第一处理单元,用于对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合;第二处理单元,用于按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;第三处理单元,用于对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息;第四处理单元,用于对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果;第二构建单元,用于基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;第一获得单元,用于通过图像采集装置获得待检测产品生产图像集合;第五处理单元,用于将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果。
本申请的第三个方面,提供了一种提高图像识别速度的系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如第一方面所述方法的步骤。
本申请的第四个方面,提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的提高图像识别速度的方法应用于一工厂生产质量识别系统,所述系统包括一图像采集装置,通过构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合,消除了图像中无关的信息,恢复有用的真实信息,使得图像更加清晰、平滑效果也更加柔和,为后续对目标产品生产图像集合进行数据处理提供更有效、更准确的数据支持;按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息,提高图像特征识别的准确性,取出更深层次的产品生产特征;对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果,达到对生产各节点庞大繁杂的图像数据进行分类,方便后续模型的数据运算,减少研究对象的数目的目的;基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;通过所述图像采集装置获得待检测产品生产图像集合;将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果,在保证待检测产品质量识别结果准确性的前提下,提高了图像的识别速度,解决了现有技术中生产各节点的图像数据量大且繁杂,造成图像识别速度较低,无法及时有效智能化的实现对各生产环节质量控制信息的掌握技术问题,达到提高图像识别速度,及时有效智能化的实现对各生产环节质量控制信息的掌握,在出现质量问题时及时作出响应,保证生产过程质量控制的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种提高图像识别速度的方法流程示意图;
图2为本申请提供的一种提高图像识别速度的方法中获得标准产品生产图像集合的流程示意图;
图3为本申请提供的一种提高图像识别速度的方法中获得目标产品生产质量优化识别模型的流程示意图;
图4为本申请提供了一种提高图像识别速度的系统结构示意图;
图5为本申请示例性电子设备的结构示意图。
附图标记说明:第一构建单元11,第一处理单元12,第二处理单元13,第三处理单元14,第四处理单元15,第二构建单元16,第一获得单元17,第五处理单元18,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种提高图像识别速度的方法及系统,用于解决现有技术中生产各节点的图像数据量大且繁杂,造成图像识别速度较低,无法及时有效智能化的实现对各生产环节质量控制信息的掌握技术问题,达到及时有效智能化的实现对各生产环节质量控制信息的掌握,在出现质量问题时及时作出响应,保证生产过程质量控制的技术效果。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供的方法应用于一工厂生产质量识别系统,所述系统包括一图像采集装置,通过构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合;按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息;对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果;基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;通过所述图像采集装置获得待检测产品生产图像集合;将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果。
在介绍了本申请基本原理后,下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种提高图像识别速度的方法,所述方法应用于一工厂生产质量识别系统,所述系统包括一图像采集装置,所述方法包括:
S100:构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;
具体而言,本实施例中提供的方法应用于一工厂生产质量识别系统中,所述系统包括一图像采集装置,所述图像采集装置用于对各生产节点的产品进行图像采集和分析处理;利用图像采集装置对目标产品各生产节点的产品生产进行图像采集,得到各生产节点的产品生产图像信息,用于构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息。
示例性的,以车辆动力电池包生产为例,从原材料进厂开始对原材料进行图像采集、在制备过程中对生产各环节的生产设备参数进行图像采集、对电池包内汇流铜排连接状况进行图像采集、对电池包内电压和温度传感器采集线连接点进行图像采集、加热片线束焊接点进行图像采集以及后续质检过程进行图像采集等等各生产节点的产品生产图像信息进行采集构成目标产品生产图像集合。
S200:对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合;
具体而言,为了防止目标产品生产图像集合中可能存在的噪声图像对后续数据处理结果以及计算量的影响,对所述目标产品生产图像集合进行标准化预处理,所述标准化预处理是指将数据通过去均值实现中心化的处理,消除图像中无关的信息,恢复有用的真实信息,使得图像更加清晰、平滑效果也更加柔和,为后续对目标产品生产图像集合进行数据处理提供更有效、更准确的数据支持。
S300:按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;
具体而言,所述预定卷积特征集合中包含有产品生产图像的所有特征,利用预定卷积特征集合中的特征与标准产品生产图像集合中的特征进行比对,获得目标产品生产特征集合;
示例性的,可以利用目前工厂现有的产品生产过程图像和/或其他现有的大数据中包含的关于该产品生产过程图像,训练一个卷积神经网络,卷积相当于特征提取器,神经网络相当于一个分类器,利用训练数据找到标准产品生产图像相对应的特征,其中,可以通过图像灰度以及颜色变化来提取不同的特征。
S400:对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息;
具体而言,所述加权特征融合为充分结合不同特征的优势,最终以加权的方式实现特征融合,以期通过提高特征交互能力的方式提高图像特征识别的准确性,取出更深层次的产品生产特征。
示例性的,可以通过使用加权密集连接卷积神经网络来提取出更深层次的产品生产特征,在密集连接网络中每个密集连接模块内通过使用短连接方式使得每一层都能与其他层之间相互连接,每个层在获得前面所有层附加输入的同时又将自身的特征信息传递给后面所有层,使得整个网络更加易于训练。密集连接网络并不是把多个特征通过求和的方式组合成一个新的特征,而是将各层连接起来形成一个新的组合特征,因此每层之间只需要学习该层的特征即可,从而大幅度减少了网络中的学习参数,不仅有益与网络的扩展而且可以有效缩短网络的学习,分别对不同特征层赋予权值,层数越深,赋予的权值越大,例如,一个密集连接模块共有N层,则第K层的权值为通过将前K层特征的权重进行叠加并除以连接模块中所有N层权重的和,也就是说,越是高层其所占的权重比越大,通过加权连接增加深层特征的连接强度,弱化底层的冗余特征,实现通过使用加权密集连接卷积神经网络对各部分特征的充分利用,提高图像特征识别的准确性。
S500:对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果;
具体而言,所述聚类分析为将数据分类到不同的类或者簇的一个过程,通过对所述目标产品特征融合信息进行聚类分析,依据特征,将相似性大的特征信息放到一起,对生产各节点庞大繁杂的图像数据进行分类,方便后续模型的数据运算,减少研究对象的数目,提高模型的运算速度。本申请实施例中可用的聚类分析方法可以包括:系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等方法。
S600:基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;
具体而言,所述识别沉降逻辑为模型识别精度和模型识别速度之间的平衡比,在追求模型的识别精度时,综合考虑模型的识别速度,在保证模型识别精度的同时,也尽量保证模型识别速度,构成本申请的识别沉降逻辑,利用识别沉降逻辑以及上一步骤获得的所述产品质量聚类分析结果,构建目标产品生产质量识别模型。
示例性的,所述目标产品生产质量识别模型为是以神经网络模型为基础构建的数学逻辑模型,神经网络(NeuralNetworks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题,能够利用数学数据不断收敛的特性进行分析,进而基于机器学习输出收敛后的信息,在本申请实施例中,所述第一风电螺栓分析模型为通过大量的识别沉降逻辑和所述产品质量聚类分析结果以及用于标识目标产品生产质量的标识信息构成的数据集合进行监督训练获得的数学模型。
S700:通过所述图像采集装置获得待检测产品生产图像集合;
S800:将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果。
具体而言,利用图像采集装置获得待检测产品生产过程各节点的产品生产图像信息,并将图像输入到构建的目标产品生产质量识别模型中,获得待检测产品质量识别结果,通过对图像进行处理和聚类分析并结合识别沉降逻辑构建目标产品生产质量识别模型,并利用该模型对待检测产品生产图像集合进行处理,在保证待检测产品质量识别结果准确性的前提下,提高了图像的识别速度,解决了现有技术中生产各节点的图像数据量大且繁杂,造成图像识别速度较低,无法及时有效智能化的实现对各生产环节质量控制信息的掌握技术问题。
本申请提供的方法应用于一工厂生产质量识别系统,所述系统包括一图像采集装置,通过构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合,消除了图像中无关的信息,恢复有用的真实信息,使得图像更加清晰、平滑效果也更加柔和,为后续对目标产品生产图像集合进行数据处理提供更有效、更准确的数据支持;按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息,提高图像特征识别的准确性,取出更深层次的产品生产特征;对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果,达到对生产各节点庞大繁杂的图像数据进行分类,方便后续模型的数据运算,减少研究对象的数目的目的;基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;通过所述图像采集装置获得待检测产品生产图像集合;将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果,在保证待检测产品质量识别结果准确性的前提下,提高了图像的识别速度,解决了现有技术中生产各节点的图像数据量大且繁杂,造成图像识别速度较低,无法及时有效智能化的实现对各生产环节质量控制信息的掌握技术问题,达到提高图像识别速度,及时有效智能化的实现对各生产环节质量控制信息的掌握,在出现质量问题时及时作出响应,保证生产过程质量控制的技术效果。
如图2所示,本申请实施例提供的方法中的步骤S200包括:
S210:对所述目标产品生产图像集合进行去噪滤波,获得去噪产品生产图像集合;
S220:将所述去噪产品生产图像集合进行显示色彩空间转换,获得显示格式产品生产图像集合;
S230:构建图像灰度分布坐标系,将所述显示格式产品生产图像集合映射至所述图像灰度分布坐标系中,获得产品生产图像灰度直方图;
S240:对所述产品生产图像灰度直方图进行均衡化处理,获得均值生产图像集合;
S250:基于生成对抗网络对所述均值生产图像集合进行图像增强,获得所述标准产品生产图像集合。
具体而言,图像信号在传输过程中都可能会受到噪声的污染,例如:高斯噪声、椒盐噪声等,为了消除图像中无关的信息,恢复有用的真实信息,使得图像更加清晰、减少噪声图像对后续数据处理结果以及计算量的影响,对所述目标产品生产图像集合进行去噪滤波,本申请实施例中可以采用中值滤波算法、高斯滤波、双边滤波或导向滤波等去燥滤波方法;去燥后获得去燥产品生产图像集合;
为了方便图像的处理,对去燥产品生产图像集合进行显示色彩空间转换,所述显示色彩空间转换为图像从RGB空间转换为其他空间,获得显示格式产品生产图像集合,所述显示格式产品图像集合为色彩空间转换后显示格式产品生产图像集合;由于RGB空间的三通道具有很强的相关性,很难将其分开,使得图像的可分离性和可操作性较差,需要将图像从RGB转换为其他空间,例如,图像从RGB空间转换为Lab空间或者图像从RGB空间转换为灰度空间。本实施例中优选的,将图像从RGB空间转换为灰度空间,将三通道的色彩转换为一通道;
为了达到图像的灰度均衡,对转换后图像进行均衡化处理,本实施例中,构建图像的灰度分布坐标系,将所述显示格式产品生产图像集合映射至所述图像灰度分布坐标系中,获得产品生产图像灰度直方图,所述产品生产图像灰度直方图为图像中各个灰度级的像素的个数,对直方图中,如果像素比较集中将会使得图像的亮暗对比不明显,为了突出图像的细节信息,对所述产品生产图像灰度直方图进行均衡化处理,使得图像的像素分布尽可能广泛,改善图像的对比度,获得均值生产图像集合,所述均值生产图像集合为对原始灰度值进行均衡化处理,图像像素分布广泛后的图像集合,最后利用生成对抗网络增强对生产图像集合中图像的识别,最终完成对目标产品生产图像集合的标准化预处理,获得所述标准产品生产图像集合,为后续对目标产品生产图像集合进行数据处理提供更有效、更准确的数据支持,提高后续数据处理速度。
本申请实施例提供的方法中的步骤S210包括:
S211:对所述目标产品生产图像集合的图像信号进行小波分解,获得图像信号小波系数;
S212:根据所述图像信号小波系数进行阈值量化,确定图像信号小波选取阈值;
S213:按照所述图像信号小波选取阈值对所述图像信号小波系数进行截取,获得小于所述图像信号小波选取阈值的噪声信号信息;
S214:对所述噪声信号信息进行滤波重构,获得所述去噪产品生产图像集合。
具体而言,本申请实施例中利用小波阈值去燥的原理为对所述目标产品生产图像集合的图像信号进行处理,将目标产品生产图像集合的图像信号通过小波变换后,信号产生的小波系数含有信号的重要信息,将信号经小波分解后小波系数较大,噪声的小波系数较小,并且噪声的小波系数要小于信号的小波系数,通过选取一个合适的阀值,大于阀值的小波系数被认为是有信号产生的,应予以保留,小于阀值的则认为是噪声产生的,置为零从而达到去噪的目的,获得所述去燥产品生产图像集合。
如图3所示,本申请实施例提供的方法中的步骤S800之后,所述方法包括:
S910:对所述目标产品生产质量识别模型进行识别效果验证,获得模型识别准确度;
S920:获得所述目标产品生产质量识别模型的模型识别速度;
S930:将所述模型识别准确度和所述模型识别速度的比值作为识别沉降逻辑系数;
S940:如果所述识别沉降逻辑系数未达到预设沉降系数,基于所述识别沉降逻辑系数和所述预设沉降系数的差值,获得模型识别偏差度;
S950:基于PSO算法和所述模型识别偏差度,对所述目标产品生产质量识别模型进行优化训练,获得目标产品生产质量优化识别模型。
具体而言,如何找到模型识别精确度和模型识别速度之间的平衡点是比较困难的,本申请实施例中给出了对所述目标产品生产质量识别模型进行识别效果验证并获得优化后目标产品生产质量优化识别模型的具体方法。
根据所述目标产品生产质量识别模型的模型识别速度和模型识别准确度确定识别沉降逻辑系数,所述识别沉降逻辑系数为所述模型识别准确度和所述模型识别速度的比值,预设一个识别沉降逻辑系数,将所述识别沉降逻辑系数与预设沉降系数进行比较,获得两者之间的差值,即,模型识别偏差值,最后基于粒子群优化算法(PSO算法)和所述模型识别偏差度对所述目标产品生产质量识别模型进行优化训练,借助粒子群优化算法,找到所述目标产品生产质量识别模型的模型识别准确度和模型识别速度的最优平衡点,获得目标产品生产质量优化识别模型。
本申请实施例提供的方法中的步骤S950还包括:
S951:根据所述目标产品生产质量识别模型的模型训练参数,构建粒子优化空间;
S952:对所述粒子优化空间进行初始化,获得粒子群约束参数,根据所述模型识别偏差度和所述粒子群约束参数迭代计算粒子群适应度函数;
S953:当达到预设终止条件时,获得所述粒子群适应度函数的第一输出结果,所述第一输出结果包括最优结果粒子;
S954:将所述最优结果粒子映射到所述目标产品生产质量识别模型进行优化训练,获得所述目标产品生产质量优化识别模型。
具体而言,所述目标产品生产质量识别模型的模型训练参数指的是表征待优化的目标产品生产质量识别模型的模型参数维度,包括但不限于:权重、隐含层数量、隐含层节点个数等信息;第一粒子优化空间指的是用于优化所述目标产品生产质量识别模型的虚拟空间,其为多维虚拟空间,空间维度和所述目标产品生产质量识别模型的模型训练参数维度相同,示例性地:若是所述目标产品生产质量识别模型的模型训练参数优选为:权重、隐含层数量、隐含层节点个数三个维度,则第一粒子优化空间的维度为3,在不同的维度内对相应的模型训练参数进行优化,多维度的虚拟空间,使得多个模型训练参数可以多线程同步优化,提高了优化效率。
当第一粒子优化空间输入所述目标产品生产质量识别模型的模型训练参数,其框架搭建完成后,将所述模型识别准确度和所述模型识别速度对所述第一粒子优化空间进行初始化,根据模型识别准确度范围和模型识别速度范围限定第一粒子优化空间的目标产品生产质量识别模型的状态,所述粒子群约束参数为模型识别准确度范围和模型识别速度范围,根据模型识别偏差度和所述粒子群约束参数迭代计算粒子群适应度函数,所述适应度函数能不断迭代得到模型识别准确度和模型识别速度之间的最优平衡点,所述最优结果粒子为模型识别准确度和模型识别速度之间达到最优平衡点对应的模型训练参数,将该模型参数输入到所述目标产品质量识别模型进行优化训练,获得所述目标产品生产质量优化识别模型,该模型在保证识别精度的同时还能保证识别准确性的技术效果。
本申请实施例提供的方法中的步骤S800之后,所述方法还包括:
S1100:对所述目标产品生产图像集合进行干扰性分析,获得达到预设干扰系数的干扰性产品生产图像集合;
S1200:基于所述干扰性产品生产图像集合,确定损失权重影响因子;
S1300:根据所述损失权重影响因子对所述目标产品生产质量识别模型进行迭代更新。
具体而言,为了提高所述目标产品生产质量识别模型的适应性,将具有干扰性的图像加入到目标产品生产图像集合中进行干扰性分析,例如,有强光照的图像、有遮挡的图像、灰度不匀均等瑕疵图像,当干扰性的图像在目标产品生产图像集合中达到预设干扰系数时,获得干扰性产品生产图像集合,以增大模型训练样本的数量;将干扰性产品生产图像集合输入到所述目标产品生产质量识别模型中,获得基于所述干扰性产品生产图像集合确定的损失权重影响因子,所述损失权重影响因子为所述目标产品生产质量识别模型对于所述干扰性产品生产图像数据的相关的损失数据因子,基于所述损失权重因子对所述目标产品生产质量识别模型进行更新迭代,保证模型输出数据的准确性。
本申请实施例提供的方法中步骤S300所述获得目标产品生产特征集合,包括:
S310:根据所述各生产节点,获得预定卷积特征集合;
S320:将所述标准产品生产图像集合作为输入信息输入深度卷积神经网络进行特征提取;
S330:获得所述深度卷积神经网络的输出信息,所述输出信息包括符合所述预定卷积特征集合的所述目标产品生产特征集合。
具体而言,根据各生产节点获得预定卷积特征集合,所述预定卷积特征集合中包含有产品生产图像的所有特征,利用目前工厂现有的产品生产过程图像和/或其他现有的大数据中包含的关于该产品生产过程图像,训练一个卷积神经网络,卷积相当于特征提取器,神经网络相当于一个分类器,将所述标准产品生产图像集合作为输入信息输入深度卷积神经网络进行特征提取,利用卷积对标准产品生产图像找到相对应的特征,利用神经网络模型完成特征的分类,获得所述深度卷积神经网络的输出信息,所述输出信息包括符合所述预定卷积特征集合的所述目标产品生产特征集合,通过深度卷积神经网络对目标产品生产特征进行提取,实现了在对图像特征进行智能提取的前提下,提高特征提取准确性的技术效果。
综上所述,本申请实施例至少具有如下技术效果:
1、本申请提供的一种提高图像识别速度的方法应用于一工厂生产质量识别系统,所述系统包括一图像采集装置,通过构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合;按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息;对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果;基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;通过所述图像采集装置获得待检测产品生产图像集合;将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果,在保证待检测产品质量识别结果准确性的前提下,提高了图像的识别速度,解决了现有技术中生产各节点的图像数据量大且繁杂,造成图像识别速度较低,无法及时有效智能化的实现对各生产环节质量控制信息的掌握技术问题,达到提高图像识别速度,及时有效智能化的实现对各生产环节质量控制信息的掌握,在出现质量问题时及时作出响应,保证生产过程质量控制的技术效果。
2、通过对所述目标产品生产图像集合进行标准化预处理,消除了图像中无关的信息,恢复有用的真实信息,使得图像更加清晰、平滑效果也更加柔和,为后续对目标产品生产图像集合进行数据处理提供更有效、更准确的数据支持。
3、对所述目标产品生产特征集合进行加权特征融合,提高图像特征识别的准确性,取出更深层次的产品生产特征,进一步的,对所述目标产品特征融合信息进行聚类分析,达到对生产各节点庞大繁杂的图像数据进行分类,方便后续模型的数据运算,减少研究对象的数目的目的。
实施例二
基于与前述实施例中一种提高图像识别速度的方法相同的发明构思,如图4所示,本申请提供了一种提高图像识别速度的系统,其中,所述系统包括:
第一构建单元11,用于构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;
第一处理单元12,用于对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合;
第二处理单元13,用于按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;
第三处理单元14,用于对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息;
第四处理单元15,用于对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果;
第二构建单元16,用于基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;
第一获得单元17,用于通过图像采集装置获得待检测产品生产图像集合;
第五处理单元18,用于将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果。
进一步地,所述系统还包括:
第六处理单元,用于对所述目标产品生产图像集合进行去噪滤波,获得去噪产品生产图像集合;
第七处理单元,用于将所述去噪产品生产图像集合进行显示色彩空间转换,获得显示格式产品生产图像集合;
第八处理单元,用于构建图像灰度分布坐标系,将所述显示格式产品生产图像集合映射至所述图像灰度分布坐标系中,获得产品生产图像灰度直方图;
第九处理单元,用于对所述产品生产图像灰度直方图进行均衡化处理,获得均值生产图像集合;
第十处理单元,用于基于生成对抗网络对所述均值生产图像集合进行图像增强,获得所述标准产品生产图像集合。
进一步地,所述系统还包括:
第十一处理单元,用于对所述目标产品生产图像集合的图像信号进行小波分解,获得图像信号小波系数;
第十二处理单元,用于根据所述图像信号小波系数进行阈值量化,确定图像信号小波选取阈值;
第十三处理单元,用于按照所述图像信号小波选取阈值对所述图像信号小波系数进行截取,获得小于所述图像信号小波选取阈值的噪声信号信息;
第十四处理单元,用于对所述噪声信号信息进行滤波重构,获得所述去噪产品生产图像集合。
进一步地,所述系统还包括:
第十五处理单元,用于对所述目标产品生产质量识别模型进行识别效果验证,获得模型识别准确度;
第二获得单元,用于获得所述目标产品生产质量识别模型的模型识别速度;
第十六处理单元,将所述模型识别准确度和所述模型识别速度的比值作为识别沉降逻辑系数;
第十七处理单元,如果所述识别沉降逻辑系数未达到预设沉降系数,基于所述识别沉降逻辑系数和所述预设沉降系数的差值,获得模型识别偏差度;
第十八处理单元,基于PSO算法和所述模型识别偏差度,对所述目标产品生产质量识别模型进行优化训练,获得目标产品生产质量优化识别模型。
进一步地,所述系统还包括:
第三构建单元,用于根据所述目标产品生产质量识别模型的模型训练参数,构建粒子优化空间;
第十九处理单元,用于对所述粒子优化空间进行初始化,获得粒子群约束参数,根据所述模型识别偏差度和所述粒子群约束参数迭代计算粒子群适应度函数;
第二十处理单元,用于当达到预设终止条件时,获得所述粒子群适应度函数的第一输出结果,所述第一输出结果包括最优结果粒子;
第二十一处理单元,用于将所述最优结果粒子映射到所述目标产品生产质量识别模型进行优化训练,获得所述目标产品生产质量优化识别模型。
进一步地,所述系统还包括:
第二十二处理单元,用于对所述目标产品生产图像集合进行干扰性分析,获得达到预设干扰系数的干扰性产品生产图像集合;
第二十三处理单元,用于基于所述干扰性产品生产图像集合,确定损失权重影响因子;
第二十四处理单元,用于根据所述损失权重影响因子对所述目标产品生产质量识别模型进行迭代更新。
进一步地,所述系统还包括:
第二十五处理单元,用于根据所述各生产节点,获得预定卷积特征集合;
第二十六处理单元,用于将所述标准产品生产图像集合作为输入信息输入深度卷积神经网络进行特征提取;
第二十七处理单元,用于获得所述深度卷积神经网络的输出信息,所述输出信息包括符合所述预定卷积特征集合的所述目标产品生产特征集合。
实施例三
基于与前述实施例中一种提高图像识别速度的方法相同的发明构思,本申请还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一内的方法。
示例性电子设备
下面参考图5来描述本申请的电子设备,
基于与前述实施例中一种提高图像识别速度的方法相同的发明构思,本申请还提供了一种提高图像识别速度的系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行实施例一所述方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种无人机正射影像的处理方法。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a ,b,c,a -b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidState Disk,SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种提高图像识别速度的方法,其特征在于,所述方法应用于一工厂生产质量识别系统,所述系统包括一图像采集装置,所述方法包括:
构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;
对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合;
按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;
对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息;
对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果;
基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;
通过所述图像采集装置获得待检测产品生产图像集合;
将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果。
2.如权利要求1所述的方法,其特征在于,所述对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合,包括:
对所述目标产品生产图像集合进行去噪滤波,获得去噪产品生产图像集合;
将所述去噪产品生产图像集合进行显示色彩空间转换,获得显示格式产品生产图像集合;
构建图像灰度分布坐标系,将所述显示格式产品生产图像集合映射至所述图像灰度分布坐标系中,获得产品生产图像灰度直方图;
对所述产品生产图像灰度直方图进行均衡化处理,获得均值生产图像集合;
基于生成对抗网络对所述均值生产图像集合进行图像增强,获得所述标准产品生产图像集合。
3.如权利要求2所述的方法,其特征在于,所述获得去噪产品生产图像集合,包括:
对所述目标产品生产图像集合的图像信号进行小波分解,获得图像信号小波系数;
根据所述图像信号小波系数进行阈值量化,确定图像信号小波选取阈值;
按照所述图像信号小波选取阈值对所述图像信号小波系数进行截取,获得小于所述图像信号小波选取阈值的噪声信号信息;
对所述噪声信号信息进行滤波重构,获得所述去噪产品生产图像集合。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
对所述目标产品生产质量识别模型进行识别效果验证,获得模型识别准确度;
获得所述目标产品生产质量识别模型的模型识别速度;
将所述模型识别准确度和所述模型识别速度的比值作为识别沉降逻辑系数;
如果所述识别沉降逻辑系数未达到预设沉降系数,基于所述识别沉降逻辑系数和所述预设沉降系数的差值,获得模型识别偏差度;
基于PSO算法和所述模型识别偏差度,对所述目标产品生产质量识别模型进行优化训练,获得目标产品生产质量优化识别模型。
5.如权利要求4所述的方法,其特征在于,所述获得目标产品生产质量优化识别模型,包括:
根据所述目标产品生产质量识别模型的模型训练参数,构建粒子优化空间;
对所述粒子优化空间进行初始化,获得粒子群约束参数,根据所述模型识别偏差度和所述粒子群约束参数迭代计算粒子群适应度函数;
当达到预设终止条件时,获得所述粒子群适应度函数的第一输出结果,所述第一输出结果包括最优结果粒子;
将所述最优结果粒子映射到所述目标产品生产质量识别模型进行优化训练,获得所述目标产品生产质量优化识别模型。
6.如权利要求1所述的方法,其特征在于,所述方法包括:
对所述目标产品生产图像集合进行干扰性分析,获得达到预设干扰系数的干扰性产品生产图像集合;
基于所述干扰性产品生产图像集合,确定损失权重影响因子;
根据所述损失权重影响因子对所述目标产品生产质量识别模型进行迭代更新。
7.如权利要求1所述的方法,其特征在于,所述获得目标产品生产特征集合,包括:
根据所述各生产节点,获得预定卷积特征集合;
将所述标准产品生产图像集合作为输入信息输入深度卷积神经网络进行特征提取;
获得所述深度卷积神经网络的输出信息,所述输出信息包括符合所述预定卷积特征集合的所述目标产品生产特征集合。
8.一种提高图像识别速度的系统,其特征在于,所述系统包括:
第一构建单元,用于构建目标产品生产图像集合,所述目标产品生产图像集合包括各生产节点的产品生产图像信息;
第一处理单元,用于对所述目标产品生产图像集合进行标准化预处理,获得标准产品生产图像集合;
第二处理单元,用于按照预定卷积特征集合对所述标准产品生产图像集合进行特征提取,获得目标产品生产特征集合;
第三处理单元,用于对所述目标产品生产特征集合进行加权特征融合,获得目标产品特征融合信息;
第四处理单元,用于对所述目标产品特征融合信息进行聚类分析,获得产品质量聚类分析结果;
第二构建单元,用于基于识别沉降逻辑和所述产品质量聚类分析结果,构建目标产品生产质量识别模型;
第一获得单元,用于通过图像采集装置获得待检测产品生产图像集合;
第五处理单元,用于将所述待检测产品生产图像集合输入所述目标产品生产质量识别模型中,获得待检测产品质量识别结果。
9.一种提高图像识别速度的系统,其特征在于,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210838939.XA CN114998695B (zh) | 2022-07-18 | 2022-07-18 | 一种提高图像识别速度的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210838939.XA CN114998695B (zh) | 2022-07-18 | 2022-07-18 | 一种提高图像识别速度的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998695A true CN114998695A (zh) | 2022-09-02 |
CN114998695B CN114998695B (zh) | 2022-11-15 |
Family
ID=83022597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210838939.XA Active CN114998695B (zh) | 2022-07-18 | 2022-07-18 | 一种提高图像识别速度的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998695B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630877A (zh) * | 2022-12-19 | 2023-01-20 | 南京乔康生物科技有限公司 | 一种用于透明质酸钠生产的质量检测方法及系统 |
CN115953727A (zh) * | 2023-03-15 | 2023-04-11 | 浙江天行健水务有限公司 | 一种絮体沉降速率检测方法、系统、电子设备及介质 |
CN116188440A (zh) * | 2023-02-28 | 2023-05-30 | 聊城市红日机械配件厂 | 一种轴承保持架的生产分析优化方法、设备及介质 |
CN116309493A (zh) * | 2023-03-24 | 2023-06-23 | 南通飞隼信息科技有限公司 | 一种用于纺织产品疵点检测的方法及系统 |
CN117746156A (zh) * | 2023-12-29 | 2024-03-22 | 北京鸿鹄云图科技股份有限公司 | 一种智能图形识别与测量方法及系统 |
CN117761570A (zh) * | 2023-03-01 | 2024-03-26 | 创正电气股份有限公司 | 一种防爆灯的性能检测方法及系统 |
CN117875671A (zh) * | 2024-02-23 | 2024-04-12 | 广东格绿朗节能科技有限公司 | 基于人工智能的遮阳篷生产分析方法、系统及存储介质 |
CN117761570B (zh) * | 2023-03-01 | 2024-06-07 | 创正电气股份有限公司 | 一种防爆灯的性能检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163132A (zh) * | 2011-12-08 | 2013-06-19 | 常州中港纺织智能科技有限公司 | 一种实时纱线外观数字化分析系统与方法 |
CN110163260A (zh) * | 2019-04-26 | 2019-08-23 | 平安科技(深圳)有限公司 | 基于残差网络的图像识别方法、装置、设备及存储介质 |
US10664722B1 (en) * | 2016-10-05 | 2020-05-26 | Digimarc Corporation | Image processing arrangements |
CN112446597A (zh) * | 2020-11-14 | 2021-03-05 | 西安电子科技大学 | 贮箱质量评估方法、系统、存储介质、计算机设备及应用 |
CN113628178A (zh) * | 2021-07-30 | 2021-11-09 | 安徽工业大学 | 一种速度与精度平衡的钢铁产品表面缺陷检测方法 |
CN114067171A (zh) * | 2021-10-29 | 2022-02-18 | 南京付联微网络科技有限公司 | 一种克服小数据训练集的图像识别精度提升方法及系统 |
-
2022
- 2022-07-18 CN CN202210838939.XA patent/CN114998695B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163132A (zh) * | 2011-12-08 | 2013-06-19 | 常州中港纺织智能科技有限公司 | 一种实时纱线外观数字化分析系统与方法 |
US10664722B1 (en) * | 2016-10-05 | 2020-05-26 | Digimarc Corporation | Image processing arrangements |
CN110163260A (zh) * | 2019-04-26 | 2019-08-23 | 平安科技(深圳)有限公司 | 基于残差网络的图像识别方法、装置、设备及存储介质 |
CN112446597A (zh) * | 2020-11-14 | 2021-03-05 | 西安电子科技大学 | 贮箱质量评估方法、系统、存储介质、计算机设备及应用 |
CN113628178A (zh) * | 2021-07-30 | 2021-11-09 | 安徽工业大学 | 一种速度与精度平衡的钢铁产品表面缺陷检测方法 |
CN114067171A (zh) * | 2021-10-29 | 2022-02-18 | 南京付联微网络科技有限公司 | 一种克服小数据训练集的图像识别精度提升方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115630877A (zh) * | 2022-12-19 | 2023-01-20 | 南京乔康生物科技有限公司 | 一种用于透明质酸钠生产的质量检测方法及系统 |
CN116188440A (zh) * | 2023-02-28 | 2023-05-30 | 聊城市红日机械配件厂 | 一种轴承保持架的生产分析优化方法、设备及介质 |
CN116188440B (zh) * | 2023-02-28 | 2023-08-29 | 聊城市红日机械配件厂 | 一种轴承保持架的生产分析优化方法、设备及介质 |
CN117761570A (zh) * | 2023-03-01 | 2024-03-26 | 创正电气股份有限公司 | 一种防爆灯的性能检测方法及系统 |
CN117761570B (zh) * | 2023-03-01 | 2024-06-07 | 创正电气股份有限公司 | 一种防爆灯的性能检测方法及系统 |
CN115953727A (zh) * | 2023-03-15 | 2023-04-11 | 浙江天行健水务有限公司 | 一种絮体沉降速率检测方法、系统、电子设备及介质 |
CN115953727B (zh) * | 2023-03-15 | 2023-06-09 | 浙江天行健水务有限公司 | 一种絮体沉降速率检测方法、系统、电子设备及介质 |
CN116309493A (zh) * | 2023-03-24 | 2023-06-23 | 南通飞隼信息科技有限公司 | 一种用于纺织产品疵点检测的方法及系统 |
CN117746156A (zh) * | 2023-12-29 | 2024-03-22 | 北京鸿鹄云图科技股份有限公司 | 一种智能图形识别与测量方法及系统 |
CN117875671A (zh) * | 2024-02-23 | 2024-04-12 | 广东格绿朗节能科技有限公司 | 基于人工智能的遮阳篷生产分析方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114998695B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998695B (zh) | 一种提高图像识别速度的方法及系统 | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN110334779B (zh) | 一种基于PSPNet细节提取的多聚焦图像融合方法 | |
CN111160407B (zh) | 一种深度学习目标检测方法及系统 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114529707B (zh) | 三维模型分割方法、装置、计算设备及可读存储介质 | |
CN110879982A (zh) | 一种人群计数系统及方法 | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
CN115565043A (zh) | 结合多表征特征以及目标预测法进行目标检测的方法 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN111091129A (zh) | 一种基于多重颜色特征流形排序的图像显著区域提取方法 | |
CN107316296A (zh) | 一种基于对数变换的遥感图像变化检测方法及装置 | |
WO2024078112A1 (zh) | 一种舾装件智能识别方法、计算机设备 | |
CN117649515A (zh) | 一种基于数字孪生的半监督3d目标检测方法、系统和设备 | |
CN115294406B (zh) | 基于属性的多模态可解释分类的方法与系统 | |
CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN113449626B (zh) | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 | |
CN109389571B (zh) | 一种遥感影像变化检测方法、装置及终端 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和系统 | |
CN114913330A (zh) | 点云部件分割方法、装置、电子设备与存储介质 | |
CN114972900A (zh) | 一种电力多源数据筛选方法、装置及终端设备 | |
CN112446345A (zh) | 一种低质量三维人脸识别方法、系统、设备和存储介质 | |
CN116341396B (zh) | 一种基于多源数据融合的复杂装备数字孪生建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |